diff --git a/README.md b/README.md
index b74f0791..2eb3a009 100644
--- a/README.md
+++ b/README.md
@@ -9,12 +9,14 @@
[](https://996.icu/#/en_US)
[](https://mybinder.org/v2/gh/javiercp/BinderTF.NET/master?urlpath=lab)
+English | [中文](docs/Readme-CN.md)
+
*master branch is based on tensorflow v2.x, v0.6x branch is based on tensorflow v2.6, v0.15-tensorflow1.15 is from tensorflow1.15.*
-### Why TensorFlow in C# and F# ?
+### Why TensorFlow.NET ?
`SciSharp STACK`'s mission is to bring popular data science technology into the .NET world and to provide .NET developers with a powerful Machine Learning tool set without reinventing the wheel. Since the APIs are kept as similar as possible you can immediately adapt any existing TensorFlow code in C# or F# with a zero learning curve. Take a look at a comparison picture and see how comfortably a TensorFlow/Python script translates into a C# program with TensorFlow.NET.
diff --git a/docs/README-CN.md b/docs/README-CN.md
new file mode 100644
index 00000000..6fcb5195
--- /dev/null
+++ b/docs/README-CN.md
@@ -0,0 +1,215 @@
+
+
+**Tensorflow.NET**是AI框架[TensorFlow](https://www.tensorflow.org/)在.NET平台上的实现，支持C#和F#，可以用来搭建深度学习模型并进行训练和推理，并内置了Numpy API，可以用来进行其它科学计算。
+
+Tensorflow.NET并非对于Python的简单封装，而是基于C API的pure C#实现，因此使用时无需额外的环境，可以很方便地用NuGet直接安装使用。并且dotnet团队提供的[ML.NET](https://github.com/dotnet/machinelearning)也依赖于Tensorflow.NET，支持调用Tensorflow.NET进行训练和推理，可以很方便地融入.NET生态。
+
+与tensorflow相同，Tensorflow.NET也内置了Keras这一高级API，只要在安装Tensorflow.NET的同时安装Tensorflow.Keras就可以使用，Keras支持以模块化的方式调用模型，给模型的搭建提供了极大的便利。
+
+[](https://gitter.im/sci-sharp/community)
+[](https://ci.appveyor.com/project/Haiping-Chen/tensorflow-net)
+[](https://www.nuget.org/packages/TensorFlow.NET)
+[](https://tensorflownet.readthedocs.io/en/latest/?badge=latest)
+[](https://996.icu/#/en_US)
+[](https://mybinder.org/v2/gh/javiercp/BinderTF.NET/master?urlpath=lab)
+
+中文 | [English](https://github.com/SciSharp/TensorFlow.NET#readme)
+
+*当前主分支与Tensorflow2.10版本相对应，支持Eager Mode，同时也支持v1的静态图。*
+
+
+
+
+### Why TensorFlow.NET?
+
+`SciSharp STACK`开源社区的目标是构建.NET平台下易用的科学计算库，而Tensorflow.NET就是其中最具代表性的仓库之一。在深度学习领域Python是主流，无论是初学者还是资深开发者，模型的搭建和训练都常常使用Python写就的AI框架，比如tensorflow。但在实际应用深度学习模型的时候，又可能希望用到.NET生态，亦或只是因为.NET是自己最熟悉的领域，这时候Tensorflow.NET就有显著的优点，因为它不仅可以和.NET生态很好地贴合，其API还使得开发者很容易将Python代码迁移过来。下面的对比就是很好的例子，Python代码和C#代码有着高度相似的API，这会使得迁移的时候无需做过多修改。
+
+
+
+除了高度相似的API外，Tensorflow.NET与tensorflow也已经打通数据通道，tensorflow训练并保存的模型可以在Tensorflow.NET中直接读取并继续训练或推理，反之Tensorflow.NET保存的模型也可以在tensorflow中读取，这大大方便了模型的训练和部署。
+
+与其它类似的库比如[TensorFlowSharp](https://www.nuget.org/packages/TensorFlowSharp/)相比，Tensorflow.NET的实现更加完全，提供了更多的高级API，使用起来更为方便，更新也更加迅速。
+
+
+### 文档
+
+基本介绍与简单用例：[Tensorflow.NET Documents](https://scisharp.github.io/tensorflow-net-docs)
+
+详细文档：[The Definitive Guide to Tensorflow.NET](https://tensorflownet.readthedocs.io/en/latest/FrontCover.html)
+
+例程：[TensorFlow.NET Examples](https://github.com/SciSharp/TensorFlow.NET-Examples)
+
+运行例程常见问题：[Tensorflow.NET FAQ](tensorflowlib/README.md)
+
+### 安装与使用
+
+安装可以在NuGet包管理器中搜索包名安装，也可以用下面命令行的方式。
+
+安装分为两个部分，第一部分是Tensorflow.NET的主体：
+
+```sh
+### 安装Tensorflow.NET
+PM> Install-Package TensorFlow.NET
+### 安装Tensorflow.Keras
+PM> Install-Package TensorFlow.Keras
+```
+
+第二部分是计算支持部分，只需要根据自己的设备和系统选择下面之一即可：
+
+```
+### CPU版本
+PM> Install-Package SciSharp.TensorFlow.Redist
+
+### Windows下的GPU版本（需要安装CUDA和CUDNN）
+PM> Install-Package SciSharp.TensorFlow.Redist-Windows-GPU
+
+### Linux下的GPU版本（需要安装CUDA和CUDNN）
+PM> Install-Package SciSharp.TensorFlow.Redist-Linux-GPU
+```
+
+下面给出两个简单的例子，更多例子可以在[TensorFlow.NET Examples]中查看。
+
+#### 简单例子（使用Eager Mode进行线性回归）
+
+```csharp
+using static Tensorflow.Binding;
+using static Tensorflow.KerasApi;
+using Tensorflow;
+using Tensorflow.NumPy;
+
+// Parameters
+var training_steps = 1000;
+var learning_rate = 0.01f;
+var display_step = 100;
+
+// Sample data
+var X = np.array(3.3f, 4.4f, 5.5f, 6.71f, 6.93f, 4.168f, 9.779f, 6.182f, 7.59f, 2.167f,
+ 7.042f, 10.791f, 5.313f, 7.997f, 5.654f, 9.27f, 3.1f);
+var Y = np.array(1.7f, 2.76f, 2.09f, 3.19f, 1.694f, 1.573f, 3.366f, 2.596f, 2.53f, 1.221f,
+ 2.827f, 3.465f, 1.65f, 2.904f, 2.42f, 2.94f, 1.3f);
+var n_samples = X.shape[0];
+
+// We can set a fixed init value in order to demo
+var W = tf.Variable(-0.06f, name: "weight");
+var b = tf.Variable(-0.73f, name: "bias");
+var optimizer = keras.optimizers.SGD(learning_rate);
+
+// Run training for the given number of steps.
+foreach (var step in range(1, training_steps + 1))
+{
+ // Run the optimization to update W and b values.
+ // Wrap computation inside a GradientTape for automatic differentiation.
+ using var g = tf.GradientTape();
+ // Linear regression (Wx + b).
+ var pred = W * X + b;
+ // Mean square error.
+ var loss = tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * n_samples);
+ // should stop recording
+ // Compute gradients.
+ var gradients = g.gradient(loss, (W, b));
+
+ // Update W and b following gradients.
+ optimizer.apply_gradients(zip(gradients, (W, b)));
+
+ if (step % display_step == 0)
+ {
+ pred = W * X + b;
+ loss = tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * n_samples);
+ print($"step: {step}, loss: {loss.numpy()}, W: {W.numpy()}, b: {b.numpy()}");
+ }
+}
+```
+
+这一用例也可以在[Jupyter Notebook Example](https://github.com/SciSharp/SciSharpCube)进行运行.
+
+#### 简单例子（使用Keras搭建Resnet）
+
+```csharp
+using static Tensorflow.Binding;
+using static Tensorflow.KerasApi;
+using Tensorflow;
+using Tensorflow.NumPy;
+
+var layers = new LayersApi();
+// input layer
+var inputs = keras.Input(shape: (32, 32, 3), name: "img");
+// convolutional layer
+var x = layers.Conv2D(32, 3, activation: "relu").Apply(inputs);
+x = layers.Conv2D(64, 3, activation: "relu").Apply(x);
+var block_1_output = layers.MaxPooling2D(3).Apply(x);
+x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(block_1_output);
+x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(x);
+var block_2_output = layers.Add().Apply(new Tensors(x, block_1_output));
+x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(block_2_output);
+x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(x);
+var block_3_output = layers.Add().Apply(new Tensors(x, block_2_output));
+x = layers.Conv2D(64, 3, activation: "relu").Apply(block_3_output);
+x = layers.GlobalAveragePooling2D().Apply(x);
+x = layers.Dense(256, activation: "relu").Apply(x);
+x = layers.Dropout(0.5f).Apply(x);
+// output layer
+var outputs = layers.Dense(10).Apply(x);
+// build keras model
+var model = keras.Model(inputs, outputs, name: "toy_resnet");
+model.summary();
+// compile keras model in tensorflow static graph
+model.compile(optimizer: keras.optimizers.RMSprop(1e-3f),
+ loss: keras.losses.CategoricalCrossentropy(from_logits: true),
+ metrics: new[] { "acc" });
+// prepare dataset
+var ((x_train, y_train), (x_test, y_test)) = keras.datasets.cifar10.load_data();
+x_train = x_train / 255.0f;
+y_train = np_utils.to_categorical(y_train, 10);
+// training
+model.fit(x_train[new Slice(0, 2000)], y_train[new Slice(0, 2000)],
+ batch_size: 64,
+ epochs: 10,
+ validation_split: 0.2f);
+```
+
+此外，Tensorflow.NET也支持用F#搭建上述模型进行训练和推理。
+
+### Tensorflow.NET版本对应关系
+
+| TensorFlow.NET Versions | tensorflow 1.14, cuda 10.0 | tensorflow 1.15, cuda 10.0 | tensorflow 2.3, cuda 10.1 | tensorflow 2.4, cuda 11 | tensorflow 2.10, cuda 11 |
+| -------------------------- | ------------- | -------------- | ------------- | ------------- | ------------ |
+| tf.net 0.7+, tf.keras 0.7+ | | | | | x |
+| tf.net 0.4x, tf.keras 0.5 | | | | x | |
+| tf.net 0.3x, tf.keras 0.4 | | | x | | |
+| tf.net 0.2x | | x | x | | |
+| tf.net 0.15 | x | x | | | |
+| tf.net 0.14 | x | | | | |
+
+如果使用过程中发现有缺失的版本，请告知我们，谢谢！
+
+请注意Tensorflow.NET与Tensorflow.Keras版本存在一一对应关系，请安装与Tensorflow.NET对应的Tensorflow.Keras版本。
+
+### 参与我们的开发:
+
+我们欢迎任何人的任何形式的贡献！无论是文档中的错误纠正，新特性提议，还是BUG修复等等，都会使得Tensorflow.NET项目越来越好，Tensorflow.NET的全体开发者也会积极帮助解决您提出的问题。
+
+下面任何一种形式都可以帮助Tensorflow.NET越来越好：
+
+* Star和分享Tensorflow.NET项目
+* 为Tensorflow.NET添加更多的用例
+* 在issue中告知我们Tensorflow.NET目前相比tensorflow缺少的API或者没有对齐的特性
+* 在issue中提出Tensorflow.NET存在的BUG或者可以改进的地方
+* 在待办事项清单中选择一个进行或者解决某个issue
+* 帮助我们完善文档，这也十分重要
+
+
+### 支持我们
+我们推出了[TensorFlow.NET实战](https://item.jd.com/13441549.html)这本书，包含了Tensorflow.NET主要开发者编写的讲解与实战例程，欢迎您的购买，希望这本书可以给您带来帮助。
+
+
+
+
+
+
+### 联系我们
+
+可以在 [Twitter](https://twitter.com/ScisharpStack), [Facebook](https://www.facebook.com/scisharp.stack.9), [Medium](https://medium.com/scisharp), [LinkedIn](https://www.linkedin.com/company/scisharp-stack/)中关注我们，也可以在[Gitter](https://gitter.im/sci-sharp/community)中与项目开发者以及其它使用者进行沟通交流，也欢迎在仓库中提起issue。
+
+TensorFlow.NET is a part of [SciSharp STACK](https://scisharp.github.io/SciSharp/)
+
+